PBL 과제와 평가

학생 팀이 교반기 문제를 받아 진동 센서 하나로 고장 전조를 잡는 모델을 만들고, 같은 채점 규칙으로 섀도 성적을 겨루는 과제 묶음입니다. 비전공 학생도 할 수 있는 기본 과제부터 코딩 에이전트를 쓰는 심화 과제까지, 평가 기준과 회사 데이터로 바꾸는 방법을 함께 안내합니다.

과제 구성#

응용 2: 후보 하나 만들어 넣기#

후보는 두 함수의 규약만 지키면 됩니다. 5장의 코딩 에이전트도 같은 규약에 따라 후보를 작성합니다.

import numpy as np
from pdm_agent.models import Candidate, precursor_mask

class AgentCandidate(Candidate):
    family = "agent"
    label = "우리 팀 후보"
    complexity = 8

    def fit(self, train, failures):
        ok = train[~precursor_mask(train, failures, days=7)]       # 고장 전 7일을 뺀 정상 구간
        self.mu, self.sd = ok["v1x"].mean(), ok["v1x"].std()
        z = (ok["v1x"] - self.mu) / self.sd
        self.thr = float(np.percentile(z, 99.5)) * 1.1               # 문턱값을 정상 점수로 정한다
        return self

    def score(self, df):                                             # 1.0 이상이면 문턱값을 넘은 것
        return ((df["v1x"] - self.mu) / self.sd).to_numpy() / self.thr

위 예시는 일부러 성능이 부족하도록 만들었습니다. 회전 1배 진동 하나만 보고 레시피를 고려하지 않습니다. 1주차로 학습해 2~16주를 채점하면 고장 6건은 모두 잡습니다. 하지만 레시피 C와 정비 뒤 기준 변화 때문에 헛알람이 17건 쌓여 비용이 810만원입니다(알람 피로로 무시된 알람 6번). 이 문제를 고치는 것이 과제입니다.

평가 기준#

회사 데이터로 바꿔 끼우기#

1. 회사에서 받을 자료는 다음과 같습니다: 진동 원파형(또는 스냅숏), 표본화 주파수, 회전수·레시피 기록, 정비 기록(고장 시각·종류·작업), 베어링 형번(볼 수·지름).
2. pdm_agent/features.py의 FS·N과 bpfo() 치수를 회사 설비에 맞춥니다.
3. 원파형을 snapshot_features(x, rpm)로 특징 표로 변환하고, 한 주씩 week-NN.parquet와 week-NN-maintenance.json으로 저장합니다(4장의 형식).
4. Run(path, inbox=<회사 데이터 폴더>)로 하네스를 실행합니다. 첫 주는 학습 없는 규칙이 챔피언이고, 정비 기록이 쌓이는 대로 후보들이 섀도에서 겨룹니다.
5. 비용(evaluate.py의 COST_*)은 회사와 함께 정합니다. 고장 한 번으로 폐기하는 배치의 비용과 수리비, 점검 출동 한 번의 비용을 기준으로 삼습니다.

확인 문제#

1. 학생 팀의 후보가 백테스트에서 챔피언보다 훨씬 좋았는데 섀도에서는 같았습니다. 보고서에 무엇을 써야 하나요?

1. 회사가 "고장 기록은 없고 센서 데이터만 1년치 있다"고 하면 이 하네스는 무엇을 할 수 있고 무엇을 못 하나요?